第一章 误差分析与向量与矩阵的范数
一、内容提要
本章要求掌握绝对误差、相对误差、有效数字、误差限的定义及其相互关系;掌握数值稳定性的概念、设计函数计算时的一些基本原则和误差分析;熟练掌握向量和矩阵范数的定义及其性质。
1.误差的基本概念和有效数字 1).绝对误差和相对误差的基本概念
设实数x为某个精确值,a为它的一个近似值,则称x?a为近似值a的绝对误差,简称x?a为误差. 当x?0时,x称为a的相对误差.在实际运算中,精确值x往往是未知的,所
x?a以常把a作为a的相对误差.
2).绝对误差界和相对误差界的基本概念
设实数x为某个精确值,a为它的一个近似值,如果有常数ea,使得 x?a?ea
eaa称ea为a的绝对误差界,或简称为误差界.称
是a的相对误差界.
此例计算中不难发现,绝对误差界和相对误差界并不是唯一的,但是它们越小,说明a近似x的程度越好,即a的精度越好.
3).有效数字
设实数x为某个精确值,a为它的一个近似值,写成
a??10k?0.a1a2?an?
它可以是有限或无限小数的形式,其中ai(i?1,2,?)是0,1,?,9中的一个数字,a1?0,k为整数.如果
x?a?1?10k?n 2则称a为x的具有n位有效数字的近似值.
如果a有n位有效数字,则a的相对误差界满足:4).函数计算的误差估计
如果y?f(x1,x2,?,xn)为n元函数,自变量x1,x2,?,xn的近似值分别为a1,a2,?,an,则
x?a1??101?n。 a2a1??ff(x1,x2,?,xn)?f(a1,a2,?,an)????k?1??xkn? ??(xk?ak)?a?f??其中????f(a1,a2,?,an),所以可以估计到函数值的误差界,近似地有 ????xk?a?xk??ff(x1,x2,?,xn)?f(a1,a2,?,an)?ea????k?1??xkn? ??eak?a如果令n?2,设x1,x2的近似值分别为a1,a2,其误差界为x1?a1?ea和x2?a2?ea2,
1取y?f(x1,x2)为x1,x2之间的四则运算,则它们的误差估计为,
ea1?a2?ea1?ea1;ea1?a2?a1ea1?a2ea1;ea1?a2a1ea1?a2ea1a22,a2?0。
数相加或减时,其运算结果的精度不会比原始数据的任何一个精度高. 对于两个数作相减运算时,由于其相对误差界:
ea1?a2a1?a2?ea1?ea2a1?a2。
如果x1和x2是两个十分接近的数,即a1和a2两个数十分接近,上式表明计算的相对误差会很大,导致计算值a1?a2的有效数字的位数将会很少。
对于两个数作相除运算时,由于其相对误差界:ea1?a2a1ea1?a2ea1a22。
从关系式中可以看出,如果x2很小,即a2很小,计算值5).数值稳定性的概念、设计算法时的一些基本原则
a1的误差可能很大。 a2⑴ 算法的数值稳定性:一个算法在计算过程中其舍入误差不增长称为数值稳定。反之,成为数值不稳定。不稳定的算法是不能使用的。
⑵ 在实际计算中应尽量避免出现两个相近的数相减。 ⑶ 在实际计算中应尽力避免绝对值很小数作除数。 ⑷ 注意简化运算步骤,尽量减少运算次数。
⑸ 多个数相加,应把绝对值小的数相加后,再依次与绝对值大的数相加。 2.向量和矩阵范数
把任何一个向量或矩阵与一个非负实数联系起来,在某种意义下,这个实数提供了向量和矩阵的大小的度量。对于每一个范数,相应地有一类矩阵函数,其中每一个函数都可以看作矩阵大小的一种度量。
范数的主要的应用:
一、研究这些矩阵和向量的误差估计。
二、研究矩阵和向量的序列以及级数的收敛准则。
1)向量范数
定义 存在R(n维实向量空间)上的一个非负实值函数,记为f(x)?x,若该函数满足以下三个条件:即对任意向量x和y以及任意常数??R(实数域)
(1)非负性 x?0,并且x?0的充分必要条件为x?0; (2)齐次性
n?x??x;
(3)三角不等式x?y?x?y. 则称函数
?为R上的一个向量范数.
n常用三种的向量范数
设任意n维向量x?(x1,x2,?,xn)T,(x为向量x的转置),
Tx1??xi, 向量的1-范数
i?1n?n2? x2???xi??i?1? x?1?i?n12?xT?x??x,x?2, 向量的2-范数
1?maxxi, 向量的?-范数
一般情况下,对给定的任意一种向量范数?,其加权的范数可以表为
xW?Wx,
其中W为对角矩阵,其对角元作为它的每一个分量的权系数。
向量范数的连续性定理 R上的任何向量范数x均为x的连续函数。 向量范数的等价性定理 设??和?为R上的任意两种向量范数,则存在两个与向量?nnx无关的正常数c1和c2,使得下面的不等式成立
c1x2). 矩阵范数 定义 存在R任意的A,B?Rn?n??x??c2x?,其中?x?Rn.
(n?n维复矩阵集合)上的一个非负实值函数,记为f(A)?A,对均满足以下条件:
n?n(1)非负性:对任意矩阵A均有A?0,并且A?0的充分必要条件为A?O;
(2)齐次性:
?A??A,?∈C;
(3)三角不等式:A?B?A?B, A,B?Rn?n; (4)相容性:AB?A?B, A,B?Rn?n, 则称?为Rn?n上的矩阵范数。
我们可定义如下的矩阵范数:
Am???aij,矩阵的m1-范数
1mni?1j?1
?2?F?AF?????aij???,矩阵的-范数(Frobenius)范数。 ?i?1j?1?mn12(矩阵范数与向量范数相容性定义) 对于一种矩阵范数?果对任意n×n矩阵A和任意n维向量x, 满足
M
和一种向量范数?V,如
AxV?AMxV,
则称矩阵范数?
M
与向量范数?V是相容的。
3)矩阵的算子范数
定理 已知R上的向量范数?V,A为n×n矩阵,定义 AnM?maxx?0AxVxV?maxAxV
xV?1则AM是一种矩阵范数,且与已知的向量范数相容,称之为矩阵的算子范数。 三种常用的矩阵的算子范数
A1?max?aij; (列范数)
1?j?ni?1mA??max?aij. (行范数)
1?i?mj?1n A2TT??ma(xAA), (谱范数)
T其中?max(AA)表示矩阵AA的最大特征值。
对任何算子范数?,单位矩阵I?Rn?n的范数为1,即I?1。
可以证明:
① 任意给定的矩阵范数必然存在与之相容的向量范数;任意给定的向量范数必然存在与之相容的矩阵范数(如从属范数).
② 一个矩阵范数可以与多种向量范数相容(如矩阵m1范数与向量p-范数相容);多种矩阵范数可以与一个向量范数相容(如矩阵F?范数和矩阵2?范数与向量2?范数相容)。
③ 从属范数一定与所定义的向量范数相容,但是矩阵范数与向量范数相容却未必有从属关系。(如,?F与向量?2、?m1与向量?1相容,但无从属关系)。
④ 并非任意的矩阵范数与任意的向量范数相容。
4)矩阵范数的性质 ① 设?为Rn?n矩阵空间的一种矩阵范数,则对任意的n阶方阵A均有 ?(A)?A.
其中?(A)?max?det??I?A??0为方阵A的谱半径。
T注意:当A?A时,A2????max?ATA???max?A2???max?A???(A)。
n?n ② 对于任给的ε>0, 则存在R使得
A ③ 对于Rn?n上的一种算子范数
?M(依赖矩阵A和常数ε),
M??(A)??.
n?n上的一种算子矩阵范数?,如果A?R且A<1, 则
In?A可逆且
?In?A??1二、典型例题分析
?1.
1?A例1.1:下列近似值的绝对误差限均为0.005,问它们各有几位有效数字?
a?138.002,b??0.0312,c?0.86?10?4
解: 现将近似值写成标准形式:
a?0.138002?103, b??0.312?10?1, c?0.86?10?4,
在直接根据有效数字定义得出,
x?a?1?10?2 ?k?n?3?n??2?n?5,即a有5 2位有效数字;
x?b?1?10?2 ?k?n??1?n??2?n?1,即b有1位有效数字; 2